Geri Dön

DeepDTS: Diverse test selection method for deep neural networks

DeepDTS: Derin sinir ağları için çeşitli test seçim yöntemi

PDF İndir

  1. Tez No: 882819
  2. Yazar: MERT DEDEKÖY
  3. Danışmanlar: PROF. MEHMET ALPER ŞEN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Boğaziçi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 43

Özet

Derin Sinir Ağları (DNN), veriye dayalı modelleme görevlerinde yaygın olarak kullanılmaktadır. Bu ağların test edilmesi, güvenlik kritik uygulamalarda yer almasından dolayı hayati öneme sahiptir. Ancak, onların siyah kutu doğası, kararlarını açıklamak ve yanlış davranışları tanımlamak konusunda zorluklar yaratır. Bir DNN'de hata tespiti, geniş, etiketlenmemiş bir veri kümesinden çeşitli ve hata ortaya çıkaran bir test setinin seçilmesini gerektirir. Test setindeki çeşitlilik, DNN'nin karar alanının kapsamını genişletir ve farklı hataların tespitine yardımcı olur. Bu makalede, bir DNN modelinde bir test setinin çeşitliliğini değerlendirmek için Tekil Entropi Yoğunluğu (SED) ölçümünü tanıtıyoruz. Diğer çeşitlilik ölçümlerine karşı etkinliğini gösteriyoruz. Ayrıca, SED'ye göre daha yüksek çeşitlilik puanlarına sahip yanlış sınıflandırılmış girişleri belirlemek için tasarlanmış çeşitli bir test seçim yöntemi olan DeepDTS'yi sunuyoruz. DeepDTS'nin diğer kapsama ve belirsizlik temelli test seçim yöntemlerine göre etkinliğini değerlendirmek için yaygın olarak kullanılan veri kümeleri ve DNN modelleri ile deneyler gerçekleştirdik. Sonuçlarımız, DeepDTS'nin çeşitli bir test seti seçme konusunda diğer seçim yöntemlerini geride bıraktığını göstermektedir.

Özet (Çeviri)

Deep Neural Networks (DNNs) are extensively applied in data-driven modeling tasks. Testing these networks is critical due to their involvement in safety-critical applications. However, their black-box nature poses challenges in explaining their decisions and identifying incorrect behaviors. Detecting faults in a DNN requires selecting a diverse and error-revealing test set from a vast, unlabeled dataset. Diversity in the test set expands the coverage of the decision space of DNN, aiding in the identification of distinct faults. In this paper, we introduce Singular Entropy Density (SED) metric to evaluate the diversity of a test set on a DNN model. We demonstrate its effectiveness against other diversity measures. Additionally, we present DeepDTS, a diverse test selection method designed to identify misclassified inputs with higher diversity scores according to SED. To evaluate the effectiveness of DeepDTS relative to other coverage and uncertainty-based test selection methods, we conducted experiments with widely employed datasets and DNN models. Our results demonstrate that DeepDTS outperforms other selection methods in terms of selecting a diverse test set.

Benzer Tezler

  1. Tez No

    731271

    Empowering heterogeneous networks for drug-target affinity prediction

    İlaç-hedef bağlılık ilgisi tahmini için heterojen ağları güçlendirme

    SELEN PARLAR ÖZÇELİK

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ARZUCAN ÖZGÜR TÜRKMEN

    DOÇ. DR. ELİF ÖZKIRIMLI ÖLMEZ

Geri Dön